Когда в начале 2020-х мы привычно называли любую большую нейросеть «LLM», это звучало почти романтично. Сегодня, летом 2025-го, термин задышал новой плотью: модели выросли из «крупных языковых» в универсальные reasoning-машины, умеющие одновременно читать PDF-ы, смотреть на рентген и считать в памяти как инженер-вундеркинд. В этой заметке прогуляемся по всей эко-системе — от архитектурных деталей до рынка — рассказывая так, будто мы с вами пьём утренний flat white и спорим о будущем ИИ.

Сейчас на Хабре много пишут о галлюцинировании нейронных сетей и больших языковых моделей в частности. Хорошим введением в эту тему, написанным с философских позиций, мне представляется текст уважаемого Дэна Рычковского @DZRobo «Когда ИИ закрывает глаза: путешествие между воображением и галлюцинациями». Базовое техническое погружение в тему вы найдёте в статье уважаемой @toppal «Причины возникновения галлюцинаций LLM», это перевод академической статьи специалистов Харбинского технологического института, опубликованной в конце 2024 года. Действительно, в большинстве источников галлюцинации ИИ рассматривают либо в негативном ключе, либо как неизбежный побочный эффект, связанный с попытками «вшить» синтетический аналог воображения в вычислительную сеть.

Я же хочу остановиться на менее известном аспекте работы нейронок, в котором галлюцинации могут восприниматься как положительная и даже необходимая часть работы алгоритма. Речь пойдёт об искусственном повышении размерности данных, подаваемых на вход в нейросеть, и о том, к чему такая практика может приводить. Наиболее известное проявление такого эффекта известно в англоязычных источниках под названием «проклятие размерности» (curse of dimensionality).

Как наш инстинкт говорить с роботами-пылесосами объясняет тайну разума лучше, чем все философы вместе взятые.

В любой дискуссии о природе сознания, его источниках, структуре, функциональности, о его возможности вне человека неизбежно возникает вопрос: а что такое сознание?

Обычно задающий его имеет в виду: «А есть ли у вас право с важным видом рассуждать о сознании, если вы не можете дать ему определение?» Я считаю, что этот довод необоснован и просто глуп.

Квантовая механика систематически изучается вот уже около ста лет, и по-прежнему актуальны слова Ричарда Фейнмана о том, что никто вполне её не понимает – а Шон Кэрролл добавляет, что её не понимают даже физики. Квантовая механика действительно полна парадоксов, противоречащих как классической физике, так и обычному здравому смыслу. Один из наиболее известных парадоксов такого рода — мысленный эксперимент «кот Шрёдингера» — демонстрирует, что на квантовом уровне даже граница между жизнью и смертью оказывается размытой. Этот эксперимент популяризован в самых разных источниках, однако, если вас интересует более подробный разбор его деталей и экскурс в смежные эксперименты, такие, как «друг Вигнера» — рекомендую почитать об этом на Хабре статью уважаемого @dionisdimetor «Интерпретации квантовой механики. На каком свете кот Шрёдингера».

Я же сегодня хочу затронуть ещё одну близкую тему – мысленный эксперимент под названием «Квантовое самоубийство», предложенный выдающимся современным шведско-американским физиком Максом Тегмарком, автором книг «Наша математическая Вселенная» и «Жизнь 3.0». 

Некоторые новые результаты в философии квантовой механики указывают на то, что ближе всего к истине был не Бор, не Эверетт, и, конечно, не Эйнштейн, а… Фейнман. Эти результаты позволяют изложить базовые принципы квантовой механики одновременно консервативно и радикально прогрессивно.

Пересказываю культовую книгу Роберта Мартина "Чистый код" с примерами на C#. Узнайте, как создавать код, который читается как проза: от магии имен переменных и идеальных функций до безупречных тестов и архитектуры, которая не рухнет при первом требовании заказчика. Полный гид, ваш код станет предметом гордости, а не источником кошмаров.

Простые числа уже несколько столетий привлекают внимание математиков, которые продолжают искать новые закономерности, помогающие найти их и понять, как они распределяются среди других чисел. Простые числа — это целые числа больше 1, которые делятся только на 1 и на себя. Три наименьших простых числа — 2, 3 и 5. Выяснить, являются ли маленькие числа простыми, очень просто — достаточно проверить, на какие числа они могут делиться. Однако когда математики переходят к действительно большим числам, задача определения простых чисел быстро усложняется. Если проверить, имеют ли числа вроде 10 или 1 000 больше двух делителей, довольно просто, то такие простые подходы уже не работают в случае проверки того, являются ли гигантские числа простыми или составными. Например, самое большое известное простое число 2^136279841 - 1 требует для записи 41 024 320 цифр. Поначалу это число может показаться умопомрачительно большим. Однако, учитывая, что существует бесконечно много целых положительных чисел разного размера, это число ничтожно мало по сравнению с ещё более крупными простыми числами.

1 - Жир лучше всего распадается, пока пульс минимальный и при этом человек куда то топает-идёт. В буквальном смысле слова - это механизм эволюционного выживания-перемещения. Скажем наступает голод в Питере, 25 000 лет назад. У людей в племени Кусь - есть по 10 кг лишнего жира, у людей племени Юсь - по 5 кг. Известно, что распад ВНУТРИ ОРГАНИЗМА 1 грамма жира даёт - 9 килокалорий. То бишь 10 кг жира это потенциальные - 90 000 ккал. Средний расход энергии в сутки, если ты постоянно будешь ходить, доходит до 5 000 - 8 000 ккал в сутки, может при морозе дойти до 10 000. В итоге племя Кусь на своём жировом пару утопает на 100 - 150 км от голодного региона. Племя Юсь утопает на 70 - 90 км. Больше шансов выжить будет у племени Кусь, учитывая что к концу пути оба племени будут максимально слабые, но племя Кусь на половине пути будет намного сильнее племени Юсь.

Жир имеет один минус - он не быстро распадается, ну нет в нас такого хим-процесса, что бы он давал энергию так же быстро как распад углеводов. Бегать на жиру не получается никак. Пичалька невероятная, всем кто хочет худеть бегая.

Все мы с этим сталкивались: вроде бы сервис работает, графики зелёные, ресурсы свободны — а пользователи всё равно жалуются. Открываешь мониторинг — CPU в порядке, память не забита, места на диске полно. А люди продолжают писать: «У вас тормозит». Знакомо?
Давайте разберёмся, как настроить мониторинг так, чтобы проблемы ловились сразу — ещё до того, как начнут ломиться сообщения в поддержку.

Мы раскрыли новый метод отслеживания, используемый компаниями Meta* и Яндекс, который потенциально затрагивает миллиарды пользователей Android. Мы обнаружили, что нативные приложения Android — включая Facebook, Instagram и несколько приложений Яндекса, таких как Карты и Браузер — незаметно слушают определенные локальные порты в целях отслеживания.

Эти нативные приложения Android получают метаданные браузеров, куки и команды от скриптов Meta* Pixel и Яндекс.Метрики, встроенных на тысячи веб-сайтов. Эти скрипты загружаются в мобильных браузерах пользователей и незаметно связываются с нативными приложениями, работающими на том же устройстве, через локальные сокеты (localhost). Так как нативные приложения программно получают доступ к идентификаторам устройства, таким как рекламный идентификатор Android (AAID), или обрабатывают идентификацию пользователя, как в случае приложений Meta, этот метод позволяет этим организациям связывать сессии мобильного браузера и веб-куки с личностью пользователя, тем самым деанонимизируя посетителей сайтов, на которых размещены их скрипты.

Этот способ передачи идентификаторов из браузера в приложение обходит типичные средства защиты приватности, такие как очистка куки, режим инкогнито и контроль разрешений Android. Более того, он открывает возможность для потенциально вредоносных приложений подслушивать веб-активность пользователей.

Каждый день мы тонем в потоке информации: статьи, заметки, идеи, детали проектов, важные задачи — всё перемешано между вкладками браузера, записями в телефоне и разными приложениями. Но когда что-то действительно нужно, найти это бывает непросто. Мы снова тратим время на поиски или начинаем с нуля.

Как навести порядок в этом хаосе? Представьте инструмент, который не просто хранит информацию, а помогает ее систематизировать и быстро извлекать в нужный момент. Причем такой инструмент можно легко адаптировать под себя и он всегда будет под рукой.

Метод «Второй мозг» разработанный Тьяго Форте, представляет собой подход к управлению персональными знаниями, который помогает не только собирать информацию, но и эффективно ее использовать. Особенно интересно, что этот метод можно реализовать с помощью Telegram.

Telegram — это не только мессенджер. Его функциональности достаточно, чтобы превратить этот инструмент в полноценную систему управления знаниями. В статье я расскажу, как настроить «Второй мозг» внутри Telegram, приведу простые примеры и поделюсь практическими советами.

DeepSeek 1.5B — маленький, но шустрый собрат больших языковых моделей. Работает локально, не требует железа на киловатт.

Внутри — инструкция по установке, настройке и запуску DeepSeek 1.5B на Ubuntu 24.04 с Ollama и Open WebUI.

За годы работы в IT я общался с сотнями специалистов из разных проектов. После десятков историй от коллег и анализа непрекращающегося потока вакансий я собрал настоящую коллекцию хорроров с рынка труда.

Почему в вакансиях для джунов требуют 3 года опыта? Как неадекватные требования, массовые курсы и бюрократия убивают рынок найма? Личный опыт, наблюдения и немного сарказма о том, как не попасть в ловушку сомнительных вакансий.

«Консилиум нейросетей (математиков и программистов) думает, что же имел ввиду пользователь в своём промте» — по крайней мере, я это так представляю :-)

Сейчас без нейросетей никуда. В статье рассмотрим вопросы личной эффективности и как в этом помогают нейросети. Затронем тему современного промт инжиниринга.

Статью писал без помощи нейросетей. Изложил своё мнение.

Не так давно я проводил аудит кодовой базы на работе и заметил, что, несмотря на высокое качество кода, я очень быстро уставал умственно и с трудом мог работать с текстом кода продолжительное время.

В конце концов, я понял, почему этот код был таким сложным для восприятия, но причина оказалась не той, которую я ожидал (см. цикломатическая сложность). После небольшого анализа и исследования выяснилось, что дело скорее в читаемости кода - аспекте, о котором у меня было мало данных, но который мне было интересно изучить с точки зрения объективных терминов и общепринятых метрик.

Сегодня мы погрузимся в результаты этого исследования, то есть вместо того, чтобы визуализировать код, мы поговорим о визуальных паттернах кода - тех, которые буквально заставляют мой мозг болеть!

Предупреждение! Это туманная и плохо изученная область. В исследовании использовались различные источники: популярные метрики, научные статьи и практические мнения (включая мое собственное). Но в конце пути мы сведем всё ниже к 8 визуально различимым свойствам, которые помогут программистам любого языка улучшить читаемость кода.